热成像能够在夜间看见物体，却常常看不清表面纹理，也很难直接给出可靠距离。研究团队把热辐射分解成温度、发射率和纹理三个部分，再用物理模型和神经网络重建一幅带有材料和几何信息的“TeX 视觉”。在夜间检测和测距演示中，这套完全被动的感知方案恢复了传统热像丢失的部分信息。

论文题目：Heat-assisted detection and ranging

2023 年 7 月 26 日，来自普渡大学、密歇根州立大学等机构的研究团队在《Nature》发表研究，提出热辅助检测与测距（HADAR）。研究团队指出，物体和环境持续发出的红外辐射中同时包含温度、材料和表面结构信息，只是这些信息在传统热像中混在了一起。

HADAR 的目标不是给热像简单加一层人工着色，而是利用热辐射的物理模型恢复被“热重影”遮住的属性。论文展示了夜间场景中的纹理、目标检测、距离估计和材料识别，但这些结果仍依赖测量条件、标定和算法计算。

夜间机器视觉的困难不只是光线不足，而是可见光纹理本身正在消失。普通热图把辐射强度直接映射成颜色，容易把温度、发射率和纹理混在一起。HADAR试图从物体自身的热辐射中分解这些变量，让被动热成像也能提供类似纹理的空间信息。

01 热像为什么常常只有一团灰

传统热成像主要把不同物体的辐射强弱映射为亮暗。温度高的区域可能更亮，发射率不同的材料也可能产生不同信号；物体表面真实的纹理和几何形状，则被这些辐射差异混合在一起。

在夜间，树、路面、车辆和空气都在发射并散射红外光。一个温度相同但材料不同的物体，可能在热像中呈现相近的灰度；一个纹理相同但温度变化较大的表面，也可能被误认为具有不同结构。这种属性混叠被作者称为热重影（ghosting）。

对于需要导航的机器人，只有“哪里比较热”还不够。系统还需要知道目标距离、表面形状和材质，否则检测框可能漂移，测距也可能受到温度变化影响。

图 1｜HADAR 与相机、激光雷达、雷达和声呐的信号来源比较，以及 TeX 分解和夜间场景结果。HADAR 依靠环境本身的热辐射，尝试从中分离温度、发射率和纹理。

02 T、e、X：把热信号拆成三个变量

研究团队把场景属性写成三个分量：T代表温度，反映物体的热状态；e代表发射率，提供与材料有关的“指纹”；X代表纹理，包含表面几何和空间结构。

传统热像通常只看到这三个量混合后的辐射强度。HADAR 通过热辐射传输模型，把不同波长和空间位置的观测放进反演过程，估计每个位置的 T、e 和 X。作者把这一步称为 TeX 分解。

为了让结果更适合机器学习，研究团队把三个物理属性映射到类似 HSV 的颜色空间：色调对应发射率，饱和度对应温度，亮度对应纹理。得到的“TeX 视觉”不是普通 RGB 图像，而是一种把物理意义直接编码进像素的表示。

温度T、发射率e和纹理X的分解依赖多光谱观测与物理先验。同样的辐射强度可能来自高温低发射率表面，也可能来自低温高发射率表面；波段数量、信噪比和大气传输误差都会影响反演稳定性。因此HADAR是传感器与算法共同定义的表示，并非普通热相机的简单着色。

03 物理模型和神经网络怎样配合

热辐射的反演本身容易受到噪声、仪器响应和天气影响。论文没有只依赖一个黑箱网络，而是把物理约束写进估计流程，再用 TeX-Net 等学习模型处理复杂的光谱和空间关系。

物理模型限制了输出必须符合热辐射和材料发射的规律，神经网络则帮助系统从高维热谱中找出稳定的特征。两者结合后，HADAR 既可以估计温度和发射率，也能从热信号中恢复传统热像里不明显的纹理。

图 2｜论文用灯泡的蒙特卡洛路径追踪解释热重影：灯泡点亮时，直接黑体辐射会淹没表面纹理；关闭时，反射热辐射才显露出纹理。

物理模型还提供了误差解释路径：当网络输出不稳定时，可以追溯到波段缺失、背景反射或大气传输，而不是只看到一个黑箱置信度。对安全机器人而言，这种可诊断性有助于在热信息不足时主动减速、改变观察角度或切换到其他传感器。

04 夜间也能恢复表面纹理

在道路和越野场景演示中，传统热像往往只能显示大块的温度差异。TeX 视觉在相同热辐射数据上重新构建出更清晰的边缘、地面纹理和目标轮廓，使车辆、路面和周围物体能够被区分开来。

这并不意味着 HADAR 创造了原始传感器完全没有的信息。它利用的是不同波长、不同位置和不同材料的辐射差异，再通过模型把混合信号拆开。若物体之间的温度、发射率和纹理在测量上完全不可区分，算法仍然没有足够信息完成可靠分离。

论文还展示了材料属性识别和语义分割。材料的发射率在分解后成为一个独立通道，机器可以利用它区分部分表面，而不是只依赖亮度。

图 3｜HADAR 物理驱动语义分割与传统热成像加 AI 的对比。上半部分是城市道路场景，下半部分是越野场景，并给出各类别的 mIoU。

图 4｜美国印第安纳州真实夜间场景中的 HADAR 感知：光学成像、HADAR 和稀疏 LiDAR 的对比，并展示温度、发射率与纹理三个物理属性。

TeX特征的价值要在下游任务中体现：材料识别可帮助机器人区分道路、植被和人工物体，语义分割则为行驶区域和障碍物提供边界。热纹理会随时间、天气和表面热惯性变化，同一种材料并不总有相同外观，所以部署系统需要报告不确定性，不能把一次夜间测量当成永久标签。

05 距离估计为什么是关键

检测到一个目标并不等于知道它距离多远。传统热像缺少稳定纹理，难以直接使用立体匹配；单纯用温度变化估计距离，又会把环境热状态误当成深度。

HADAR 通过恢复纹理和物理属性，为夜间匹配提供更丰富的特征。论文报告，HADAR 测距优于传统热测距，准确度接近白天 RGB 双目视觉。作者还比较了不同场景中的检测与测距表现，说明完全被动的热辐射可以承担一部分主动传感器的任务。

这里的“接近”对应论文中的特定实验场景和评价指标。HADAR 并没有消除相机基线、热噪声、天气和标定误差，也不能直接替代所有激光雷达或毫米波雷达。

图 5｜HADAR 基本测距极限：热像受热重影影响而测距不准，恢复纹理后的 HADAR 测距精度提高约两个数量级，并与光学成像和 RGB 双目结果比较。

HADAR还面临时间分辨率和空间分辨率的取舍。增加光谱通道可以提高参数可辨识性，却会降低单帧采样速度并增加数据量；运动中的机器人需要在足够快的更新频率和足够细的光谱信息之间选择工作模式。

06 不主动发光，能否扩大机器人数量

激光雷达、主动红外和声呐会向环境发射信号。当很多车辆或机器人同时工作时，信号可能相互干扰；强光照和眼安全要求也会限制某些主动传感器。HADAR 依靠环境自身的热辐射，因此从原理上避免了主动发射和设备间串扰。

被动并不等于不需要设备。系统仍需要高光谱或多波段红外采集、精确标定和较大的计算量；Cramér–Rao 下界可以帮助判断增加波段、提高信噪比或改善标定哪一种更有效。不同材料的发射率、空气吸收、传感器噪声、镜头结露和探测器漂移都需要纳入在线校准。

图 6｜HADAR 可辨识性的光子噪声极限：TeX 简并会限制人和机器人等材料的区分能力，所需光子数由场景和噪声共同决定。

07 自动检测与测距能达到什么精度

研究团队还比较了自动检测和夜间深度估计。HADAR 的 TeX 视觉与 AI 可以减少热像中的人车混淆，夜间测距指标也接近白天 RGB 双目视觉。

这些结果对应论文设定的传感器、数据集、模型和标定条件，并不是对所有相机、距离和天气的承诺。换用不同设备后，检测和测距性能需要重新评估。

图 7｜HADAR 检测（TeX 视觉加 AI）与传统热成像检测对比。热像中人和汽车容易发生混淆，HADAR 利用材料属性改善了人、机器人和汽车的识别。

图 8｜夜间深度指标比较：TeX_night ≈ RGB_day > IR_night。HADAR 夜间测距优于传统热像，并接近白天 RGB 双目视觉。

08 从热像增强到机器人的物理感知

HADAR 的价值在于把“看见温度”扩展为“同时看见物理属性”。对于自动驾驶、仓储机器人和夜间巡检，温度、材料和几何信息可以共同帮助系统判断目标是否可通行、是否属于同一类表面，以及距离估计是否可信。

但从实验原型走向机器人产品，还需要解决传感器体积、采集速度、实时计算和环境泛化问题。浓雾、雨雪、热源变化和复杂遮挡可能改变辐射模型；算法输出也需要与规划和安全策略一起验证。论文展示的是一条被动、物理感知的机器视觉路线，真正的工程优势仍要在不同平台和长期运行中检验。

HADAR把热辐射从“黑暗中的轮廓”提升为可计算的物理表征，可能服务于夜间导航、野外监测和危险物体识别。若系统还能输出深度置信度，机器人就可以在热信息不足时改变视角、降低速度或调用可见光和激光传感器；下一步仍需在雨雾、遮挡、低温差和快速运动条件下验证实时性。